論文の概要: High-Resolution Climate Projections Using Diffusion-Based Downscaling of a Lightweight Climate Emulator

• arxiv url: http://arxiv.org/abs/2602.13416v1
• Date: Fri, 13 Feb 2026 19:36:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-17 14:17:28.024254
• Title: High-Resolution Climate Projections Using Diffusion-Based Downscaling of a Lightweight Climate Emulator
• Title（参考訳）: 拡散に基づく軽量気候エミュレータのダウンスケーリングによる高分解能気候予測
• Authors: Haiwen Guan, Moein Darman, Dibyajyoti Chakraborty, Troy Arcomano, Ashesh Chattopadhyay, Romit Maulik,
• Abstract要約: 深層学習に基づくダウンスケーリングフレームワークを導入し,28kmの解像度で気候モデルを生成する。 これらのモデルは2000年から2009年までの約14,000のERA5タイムステップで訓練され、2010年から2020年までのLUCIE予測に基づいて評価された。 提案手法は,28kmの分解能で微細な気候統計を発生させながら,LUCIEからの粗粒度動態を保存できることが観察された。
• 参考スコア（独自算出の注目度）: 1.9367648935513015
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The proliferation of data-driven models in weather and climate sciences has marked a significant paradigm shift, with advanced models demonstrating exceptional skill in medium-range forecasting. However, these models are often limited by long-term instabilities, climatological drift, and substantial computational costs during training and inference, restricting their broader application for climate studies. Addressing these limitations, Guan et al. (2024) introduced LUCIE, a lightweight, physically consistent climate emulator utilizing a Spherical Fourier Neural Operator (SFNO) architecture. This model is able to reproduce accurate long-term statistics including climatological mean and seasonal variability. However, LUCIE's native resolution (~300 km) is inadequate for detailed regional impact assessments. To overcome this limitation, we introduce a deep learning-based downscaling framework, leveraging probabilistic diffusion-based generative models with conditional and posterior sampling frameworks. These models downscale coarse LUCIE outputs to 25 km resolution. They are trained on approximately 14,000 ERA5 timesteps spanning 2000-2009 and evaluated on LUCIE predictions from 2010 to 2020. Model performance is assessed through diverse metrics, including latitude-averaged RMSE, power spectrum, probability density functions and First Empirical Orthogonal Function of the zonal wind. We observe that the proposed approach is able to preserve the coarse-grained dynamics from LUCIE while generating fine-scaled climatological statistics at ~28km resolution.
• Abstract（参考訳）: 気象・気候科学におけるデータ駆動モデルの普及は、中距離予測において例外的なスキルを示す先進的なモデルによって、重要なパラダイムシフトを引き起こしている。 しかしながら、これらのモデルはしばしば、長期の不安定性、気候学的なドリフト、およびトレーニングと推論の間のかなりの計算コストによって制限され、気候研究へのより広範な適用を制限する。 これらの制限に対処するため、Guan et al (2024) は Spherical Fourier Neural Operator (SFNO) アーキテクチャを利用した軽量で物理的に一貫した気候エミュレータ LUCIE を導入した。 このモデルは、気候学的平均や季節変動など、正確な長期統計を再現することができる。 しかし、LUCIEのネイティブレゾリューション(約300km)は、地域の詳細な影響評価には不十分である。 この制限を克服するために,確率的拡散に基づく生成モデルと条件付きおよび後続サンプリングフレームワークを活用する,ディープラーニングに基づくダウンスケーリングフレームワークを導入する。 これらのモデルは、粗いLUCIE出力を25kmの解像度にダウンスケールする。 2000年から2009年までの約14,000のERA5タイムステップでトレーニングされ、2010年から2020年までのLUCIE予測で評価された。 モデル性能は、緯度平均RMSE、パワースペクトル、確率密度関数、粒子風の第一経験直交関数など様々な指標を用いて評価される。 提案手法は, 約28kmの分解能で微細な気候統計を発生させながら, LUCIEからの粗粒度動態を保存できることを観察する。

関連論文リスト

• Toward generative machine learning for boosting ensembles of climate simulations [0.0]
  気候シミュレーションの限られたサンプルに基づいて学習した条件付き変分オートエンコーダ(cVAE)を開発し,任意の大規模なアンサンブルを生成する。 cVAEモデルはデータの基盤となる分布を学習し、現実的な低モーメントと高モーメントの統計を再現する物理的に一貫したサンプルを生成する。
  論文  参考訳（メタデータ） (2026-02-06T00:54:19Z)
• FengWu-GHR: Learning the Kilometer-scale Medium-range Global Weather Forecasting [56.73502043159699]
  この研究は、データ駆動型世界天気予報モデルであるFengWu-GHRを、0.09$circ$水平解像度で実行した。 低解像度モデルから事前知識を継承することにより、MLベースの高解像度予測を操作するための扉を開く新しいアプローチを導入する。 2022年の天気予報は、FengWu-GHRがIFS-HRESよりも優れていることを示している。
  論文  参考訳（メタデータ） (2024-01-28T13:23:25Z)
• Generating High-Resolution Regional Precipitation Using Conditional Diffusion Model [7.784934642915291]
  本稿では,気候データ,特に地域規模での降水量について,より詳細な生成モデルを提案する。 複数のLR気候変数に条件付き拡散確率モデルを用いる。 以上の結果から,下降気候データにおける条件拡散モデルの有効性が示唆された。
  論文  参考訳（メタデータ） (2023-12-12T09:39:52Z)
• Residual Corrective Diffusion Modeling for Km-scale Atmospheric Downscaling [58.456404022536425]
  気象・気候からの物理的危険予知技術の現状には、粗い解像度のグローバルな入力によって駆動される高価なkmスケールの数値シミュレーションが必要である。 ここでは、コスト効率のよい機械学習代替手段として、このようなグローバルな入力をkmスケールにダウンスケールするために、生成拡散アーキテクチャを探索する。 このモデルは、台湾上空の地域気象モデルから2kmのデータを予測するために訓練され、世界25kmの再解析に基づいている。
  論文  参考訳（メタデータ） (2023-09-24T19:57:22Z)
• Long-term drought prediction using deep neural networks based on geospatial weather data [75.38539438000072]
  農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。 私たちは、体系的なエンドツーエンドアプローチを採用するエンドツーエンドアプローチを導入することで、干ばつデータに取り組みます。 主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
  論文  参考訳（メタデータ） (2023-09-12T13:28:06Z)
• Hard-Constrained Deep Learning for Climate Downscaling [30.280862393706542]
  高解像度の気候と気象データは、気候適応と緩和に関する長期的な決定を知らせるために重要である。 予測モデルは計算コストによって制限されるため、しばしば粗い解像度の予測を生成する。 深層学習からの超解像法を含む統計的ダウンスケーリングは、低分解能データをアップサンプリングする効率的な方法を提供することができる。
  論文  参考訳（メタデータ） (2022-08-08T16:54:01Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。